基于P300和排列复杂度分析的意识障碍康复预测系统

本发明涉及意识障碍康复预测的，尤其是指一种基于p300和排列复杂度分析的意识障碍康复预测系统。

背景技术：

1、意识是大脑功能活动的综合表现，即对环境的知觉状态。意识障碍(doc)是指人对周围环境以及自身状态的识别和觉察能力出现障碍，是脑损伤的严重后遗症，特征为意识缺陷和认知障碍，如昏迷、植物状态(vs)、微意识状态(mcs)和无反应觉醒综合征(uws)患者(也称为植物人状态)。对于意识障碍患者中如uws患者和mcs患者而言，其治疗周期长、费用高昂，常给患者家庭和社会带来沉重负担。因此，准确做好预测意识障碍患者的康复预测至关重要。

2、脑电信号是在诊断过程中的重要工具。然而脑电信号中通常含有较多噪音，比如：肌电信号、工频噪声等，而且不同专家对于信号的生物标注判断有较大的主观性。对于患者在不同状态下进行采集的脑电信号，一般分为两种：静息态脑电与任务态脑电信号。静息态脑电(rseeg)主要研究在非任务的静息闭眼或睁眼条件下的头表eeg活动。任务态脑电信号包括了事件相关电位(erp)。它反映了认知过程中大脑的神经电生理变化，也被称为认知电位，具有高时间分辨率。erp往往与特定的刺激有关，具有特定的认知和生理意义。

3、迄今为止，还没有建立专门的或标准化的预后指标来预测doc患者意识恢复的可能性，而目前对患者意识的临床诊断是基于行为量表，例如jfk昏迷恢复修订量表(jfkcrs-r)，它依赖患者对外部刺激的运动反应来评估患者的意识水平。crs-r量表包含六个子量表，包括听觉、视觉、运动、口述运动、交流和唤醒功能。每个子量表的得分取决于doc患者是否对感觉刺激有特定的行为反应。然而，这种基于行为的评估方法特别是在评估uws和mcs时具有较高的误诊率。许多doc患者在意识检测过程中不能保持稳定状态，更容易疲劳或无法自主配合相关检测。这些患者通常无法进行正常的身体动作和语言表达。

技术实现思路

1、本发明的目的在于克服现有技术的缺点与不足，提出了一种基于p300和排列复杂度分析的意识障碍康复预测系统，通过结合患者的静息态脑电数据和任务态脑电数据对患者的康复状态进行准确预测。

2、为实现上述目的，本发明所提供的技术方案为：基于p300和排列复杂度分析的意识障碍康复预测系统，包括：

3、操作界面模块，用于对脑电采集仪器连接的参数进行设置和操作模式的选择；

4、数据输入模块，用于采集患者的脑电信号数据，并对数据进行存储；

5、静息态数据处理模块，用于对患者的静息态脑电数据进行处理，包括静息态脑电数据的预处理和排列复杂度分析；

6、任务态数据处理模块，用于对患者的任务态脑电数据进行处理，包括任务态脑电数据的预处理和p300检测；

7、结果显示模块，用于结合静息态数据处理模块和任务态数据处理模块的输出结果，得出最终的康复预测结果并输出。

8、进一步，所述操作界面模块包括以下部分：

9、a、参数设置：指与脑电采集仪器连接的基本参数设置，包括采样率、导联数、采样模式、采集的高通和低通频率；

10、b、操作模式的选择，包括：

11、静息态数据采集：开始采集静息态脑电数据，并进入静息态数据处理模块；

12、任务态训练：开始采集任务态脑电数据，并将数据用来训练任务态数据处理模块的卷积神经网络模型；

13、任务态测试：开始采集任务态脑电数据，并通过训练好的卷积神经网络模型测试p300准确率；

14、康复预测：显示对患者康复状态的预测结果；

15、其中，任务态数据处理模块中卷积神经网络模型使用前的训练模式以及训练成功后的使用模式，使用者在第一次使用时需要先进行训练，训练后模型符合要求则自动将模型存储，以便后期能够直接使用。

16、进一步，所述数据输入模块采集患者的脑电信号，并通过usb数据连接线和并口线与计算机连接；所述数据输入模块采用脑电放大器和32导联的eeg电极帽来采集头皮脑电信号，并将脑电信号保存到本地进行存储；其中，采集任务态数据时，使用的是视听范式，在屏幕的左右两侧呈现两个按钮，分别显示从0到9的两个随机选择的阿拉伯数字，两个数字的按钮交替闪烁并从同一侧的扬声器中读出相应的数字，使受试者被呈现在时间上、空间上和语义上一致的视听刺激，以唤起p300反应。

17、进一步，所述静息态数据处理模块包括静息态脑电数据预处理模块和排列复杂度分析模块，其中：

18、所述静息态脑电数据预处理模块将脑电数据通过1至45hz带宽的带通滤波器，并通过50hz陷波滤波器去除线路噪声，使用独立成分分析去除伪影；

19、所述排列复杂度分析模块将原始信号转换为基序索引组成的有限符号序列，计算其排列复杂度，包括以下步骤：

20、1)将复杂度指数c(n)初始化为1，表示序列中创新串的个数，分别生成s和q作为第一个和第二个符号；

21、2)将s和q连接成字符串sq，删除sq的最后一个符号成一个新的符号串sqv；

22、3)判断q是否已经到达有限符号序列的终点，若已到达则转到步骤7)，否则转到步骤4)；

23、4)判断q是否是sqv的字串，若是则转到步骤5)，否则转到步骤6)；

24、5)保持s不变，将下一个符号连接到q作为新的q，并转至步骤2)；

25、6)将c(n)增加1，将步骤4)中的sq设置为新的s，将下一个符号设置为新的q，转至步骤2)；

26、7)将有限符号序列解析为c(n)个创新字符串，用其排列索引对创新字符串进行编码，代码序列的长度l(n)为：

27、l(n)＝c(n)[logm！c(n)+1]

28、式中，l(n)为编码后代码序列的长度，c(n)为创新符号串的个数，m！为字母表的大小，n为符号序列的长度；

29、用符号序列的长度n对l(n)进行归一化得到排列复杂度plzc：

30、

31、最终，将排列复杂度plzc值与权重相乘得到分值score1并传入结果显示模块中。

32、进一步，所述任务态数据处理模块包括任务态脑电数据预处理模块和p300检测模块，其中：

33、所述任务态脑电数据预处理模块通过带通滤波、下采样和特征提取后得到相应的特征向量；

34、所述p300检测模块将包含p300反应和非p300反应的训练数据的特征向量送入卷积神经网络模型中进行训练，其中，卷积神经网络模型由五个主要层组成，一个输入层、两个卷积层、一个线性层和一个全连接层，激活函数为relu，优化器为adam；

35、经过训练得到基于p300的卷积神经网络模型作为分类器模型后，于使用模式中对在线数据进行检测，最终根据检测精度得到分值score2并传入结果显示模块中。

36、进一步，所述结果显示模块将静息态数据处理模块中的分值score1与任务态数据处理模块中的分值score2相加得到总分值score，将score值与提前设置好的base值作比较，当score大于或等于base时显示“康复预测为良好”，当score小于base时显示“康复预测为不良”。

37、本发明与现有技术相比，具有如下优点与有益效果：

38、1、本发明系统分别从患者的静息态脑电数据和任务态脑电数据出发，结合静息态脑电数据的排列复杂度和任务态脑电数据的p300检测准确率来预测患者的康复状态，使康复预测结果更加准确。

39、2、本发明系统相对于通过昏迷量表来预测的传统方法，具有更加便捷的功能，能够有效减少患者不配合的概率。

40、3、本发明系统对于一些使用者的康复治疗也有辅助作用，可以锻炼患者的意识状态，有助于康复治疗。

41、4、本发明系统可用于医疗领域，减轻医护人员的工作量，为医生对患者的康复预测提供有效的参考。